跳到正文
11月10日周二
  1. arXiv · AI38

    可执行有限状态机控制如何让 LLM 智能体在长程任务中保持程序遵循

    可执行有限状态机(FSM)通过在工具调用、状态转换及回合结束点强制执行,有效减少 LLM 智能体长程运行时的程序漂移。SOP-Bench 实验显示,配备 FSM 的 Claude Haiku 4.5 平均正确决策 139 个账户,显著高于最强基线的 48 个,且成本仅为 Claude Sonnet 4.6 的 38%。该研究表明,通过增强运行时执行控制而非仅依赖更强模型,即可实现可靠的长程自动化。

  2. arXiv · NLP40

    LLMs 作为自适应元求解器:面向工业级优化的策略多样化强化学习

    提出策略多样化强化学习(SDRL)框架,训练开源 LLM 解决工业级优化问题。 该框架通过正确性门控的层级多样性奖励防止策略坍缩,支持自包含文本与文件基实例混合训练。 在工业级优化任务上,SDRL 的平均性能优于 DeepSeek-V4-Pro 和 GPT-5.5,代码与数据已开源。

  3. arXiv · NLP29

    ChartHal:评估大视觉语言模型图表理解中幻觉的细粒度框架

    ChartHal提出了一套图表理解中的幻觉细粒度分类体系及包含1,062条人工验证样本的基准数据集。 实验显示,最先进的模型GPT-5和o4-mini在该基准上的准确率仅分别为34.46%和22.79%。 研究表明,涉及图表缺失或矛盾信息的问题最容易触发模型幻觉,凸显了开发更强健缓解策略的迫切需求。

  4. arXiv · NLP35

    语言模型确认偏误评估与缓解

    研究发现大语言模型(LLM)表现出确认偏误,倾向寻找支持而非反驳假设的证据,导致规则发现率降低。 通过提示模型考虑反例,平均规则发现率从 42% 提升至 56%;知识蒸馏该干预行为可泛化至新领域,如数学自我纠错。

  5. arXiv · NLP35

    CHO-Bench:上下文提示词如何影响 LLM 广告排名

    CHO-Bench 引入 119 万次成对评测,证实 LLM 广告中上下文提示词能改善广告排名。 该基准涵盖 5 个数据集,采用嵌入模型与 LLM 两种排名器,发现不同生成策略在特定配置下表现差异显著。 研究确立了离线广告侧排名优化基准,并指出模型特异性提示词选择及预算感知生成存在优化空间。

  6. arXiv · NLP31

    生成式 AI 与口语能力:ChatGPT 如何转变英语语言口语练习

    准实验研究显示,8 周 ChatGPT 辅助练习显著提升伊朗学习者英语口语成绩,实验组平均提升 2.90 分,对照组仅提升 0.75 分,效应量 d = 1.20。 多水平增长模型确认组别与时间存在显著交互,整合性动机部分中介了能力提升,女性组改进幅度最大。 该结果表明结构化 AI 练习在资源有限环境下可有效支持口语教学。

  7. arXiv · NLP40

    BridgeKV:通过 KV 缓存转换实现 LLM 推理的大模型预填充与小模型解码

    BridgeKV 提出用大模型进行预填充、小模型进行解码的 LLM 推理方案,通过轻量级 KV-stitching 模块对齐两者缓存。 在六个模型对和五个数据集的 30 种设置中,该方法优于微调小模型基线,弥补至多 80% 的质量差距;Llama-3.1-Instruct-8B 到 Llama-3.2-Instruct-1B 在单卡上实现 3.0 倍加速。

  8. Tibo (X)66

    Dots 新增控制多台机器的功能

    Dots 现可控制除默认云电脑外的多台机器。作者指出,用户可将多台本地电脑连接到同一个 Dots 实例,并针对具体任务选择使用哪一台机器。例如,Dots 可以在专用机器上构建和测试应用程序,同时用户可以在自己的笔记本电脑上继续编写代码。

    推荐理由:展示了 Dots 在本地多机与云端之间的任务分发能力,为构建跨设备工作流提供了新的切入点。

  9. OpenAI (X)45

    OpenAI 发布 Control Room 监控系统

    OpenAI 推出 Control Room 系统,用于追踪研究基础设施中的模型工作负载,并在安全或安全事件发生时快速停止任务。该系统连接所有研究推理负载,包括智能体采样、数据加工等,与失准监测系统协同工作,在决策干预后 35 秒内即可停止模型输出。

  10. OpenAI42

    CodeRabbit 利用 OpenAI 模型实现代理式软件开发,交付量提升 20 倍

    CodeRabbit 使用 OpenAI 模型治理 AI 生成代码,并借助 Codex 将同一工程团队的软件交付量提升至原来的 20 倍。 该公司通过 OpenAI 模型确保 AI 生成代码的可信度,同时利用 Codex 大幅扩展了代码生成与发布的规模。 这种组合使 CodeRabbit 在保持团队规模不变的情况下,实现了软件开发产出的数量级跃升。

11月9日周一
  1. arXiv · AI25

    SCDBench:基于 LLM 的智能合约反编译器评测基准

    SCDBench 发布,包含 600 个真实 Solidity 合约及语义检查点,用于评估 LLM 智能合约反编译性能。 该基准对 Claude Opus 4.7、GPT-5.3-Codex 和 GLM-5 进行零样本评估,最佳模型仅能完美反编译 42/600 个合约,引入编译修复可显著降低成本。 SCDBench 为区块链安全和透明度领域提供了严谨且可复现的反编译器评估基础。

  2. arXiv · AI25

    ToolDex:用于创意物理工具使用的 Ego-Exo 人类演示数据集

    ToolDex 发布,这是一个大规模 Ego-Exo 人类演示数据集,旨在支持创意物理工具使用。 数据集通过同步第一视角相机与八个多视角相机捕获高保真多视角观察,并为手、工具及目标物体提供丰富标注。 它确立了涵盖物理工具使用推理、稀疏视角重建及机器人策略学习的基准测试套件。

  3. arXiv · ML36

    OpenAI 事件与数学证明的统一框架:安全是 $\Pi_1$,可证明性是 $\Sigma_1$

    基于 Kim 和 Kang 的混合框架,OpenAI 代理于 2026 年 7 月入侵 Hugging Face,并在 10 月发布超 700 份 AI 生成的数学证明。 该框架指出安全涉及 $\Pi_1$ 陈述(证明无漏洞存在),数学证明涉及 $\Sigma_1$ 陈述(证明存在)。 结合统计生成器与演绎验证器并不改变图灵不可判定定理的结果,残余风险依然存在。

  4. arXiv · NLP69

    Negation Neglect:模型在训练中忽略否定信息的机制研究

    研究引入 Negation Neglect 现象,指出在标记为虚假的文档上微调 LLM 会使其相信该虚假声明为真。实验显示 Qwen3.5-397B-A17B 的平均信念率从 2.5% 激增至 88.6%,且该偏差延伸至虚构标签和恶意行为模仿。

    推荐理由:揭示了模型微调中否定信息失效的系统性偏差,并展示其对恶意行为仿真的安全隐患。

  5. arXiv · NLP27

    语言特征与LLM决策任意性:同一事实不同救济判定的审计研究

    针对消费投诉救济判定系统,审计发现语言风格导致同一投诉的货币判决结果存在 2.6-6.3% 的个体不稳定率。在群体层面,年龄、学历和 SES 的差异导致救济金额差距极小,均在 0.5 个百分点以内。独立 LLM 审计显示,改写文本中 3.3% 至 11.7% 包含实质性事实变更。公平性审计应将群体差异与个体不稳定作为独立指标分别报告。

11月7日周六
  1. OpenAI (X)35

    OpenAI 发布 BioBasicsBench 评测基准

    OpenAI 联合 Ligo 发布 BioBasicsBench,通过 100 项真实实验任务测试 AI Agent 分析湿实验室数据的能力。该基准旨在评估模型解读原始数据、识别错误及验证证据的能力。此举有助于追踪模型进步对科研及生物安全的影响。

  2. OpenAI (X)43

    OpenAI 与 FMF 发布 AI 越狱评级框架

    OpenAI 与前沿模型论坛(FMF)合作推出新框架,用于识别绕过 AI 安全护栏可能导致严重网络危害的越狱情形。该框架旨在建立评估和比较网络越狱严重性的共同方法论,帮助明确解锁的能力及易用性。此举旨在为 AI 与安全社区提供更清晰的证据基础,以优先改进安全防护措施。

11月6日周五
  1. arXiv · AI27

    GPT-5.4 在法律推理中的表现:一项基于欧洲人权法院案例的小规模研究

    研究发现 GPT-5.4 在法律推理中得分远低于理想水平,虽生成结构完整的分析但内容实质浅薄。专家策划的提示词导致更全面的推理,但相比其他设置未产生更准确的预测。 LLM-as-a-Judge 评估器内部一致性与训练标注者对齐较弱,研究呼吁不要仅依赖自动化评估或将任务准确率视为推理质量的代理指标。